Thoughtworks 2026-08-05 12:00 北京

企业数据现代化的瓶颈,往往不在于技术,而在于“理解数据含义”这一环节。
在大型企业中,数据现代化项目将庞杂混乱的企业数据,转变为业务可依赖的、可发现、可访问、可追溯的领域数据能力。然而,许多现代化项目尚未进入交付阶段便已停滞,症结往往在于团队需要花费数月时间,只为弄清数据的业务意图。
数据策略师的工作,是连接企业意图和现代数据架构。他们的职责贯穿整个生命周期:在复杂的企业数据环境中探索,设计和优先级排序用例,识别业务需求与可用数据之间的差距,交付新数据能力,并持续进行发现。
挑战在于,用于构建意图的知识往往分散在各个系统、遗留文档、或存在于领域专家的头脑里。因此,数据发现过程缓慢、依赖人工、难以扩展。
本体论 + 大语言模型方法
Ontology + LLM在探索某个数据源的意义时,我们的第一反应,往往是将大语言模型直接指向源数据:输入源系统,描述用例,让它找出差距。这是一个合理的起点,但也暴露出一个真正的局限——在没有明确语义上下文的情况下,LLM只能从表结构、字段名和样本值中推断关系。这些推断或许有用,但在企业规模上难以一致地验证。于是我们问:本体论能在这里提供帮助吗?
要回答这个问题,我们首先需要理解,与直接通过大语言模型解释相比,本体论能提供哪些额外的优势。
什么是本体论?
本体论是意义的模式:它定义存在的实体、它们的属性、它们之间的关系,以及支配它们的规则。意义不再隐晦地存在于领域专家的脑海中,或被临时推断;本体论让计算机能够以逻辑、一致且可控的方式,对领域进行推理。它是知识图谱的模式层,在实例(如作为节点的实体、作为边的关系等)填充之前就已存在。整个产物既可供人类阅读,也可供机器读取:可编辑、可审计,并能置于版本控制之下。
为什么结合本体论和大语言模型很重要?
本体论和LLM恰好能覆盖彼此的短板。本体论将推理锚定在明确的语义上,使输出更可解释、更一致、更易于验证。而LLM则承担了那些原本会让人工构建本体论变得枯燥繁琐的工作:阅读源系统、对齐同义词、提出调和建议、发现不匹配之处。
没有AI的本体论,仍然是一个需要数月手动分析的数据建模工作;没有本体论的LLM虽然快,但结果不可靠,或容易偏移。两者结合后,我们可以用结构化的方式表达意图和供应,而智能体则能快速找出它们之间的差距——并且以一种可以信任和验证的形式呈现。
分步示例
当我们将此方法视为一个可重复的工作流时,它就会变得清晰得多。它不是将发现视为一次性的工作,而是随着每个新用例不断丰富企业上下文。在实际操作中,此方法作为一个由六个步骤组成的智能体循环来运作(见图1)。为了便于说明,我们将这个智能体工作流应用到一个常见的数据用例——预测客户流失——并利用来自两个源系统的数据。

图1:智能体循环工作流
步骤1:为每个数据源构建本体论上下文
第一步,是让每个源系统的意义变得明确。我们为每个系统提供样本文件,并通过AI智能体提取其上下文:实体、属性、关系,以及支配它们的规则。
智能体读取每个文件中的多种信号:表结构和数据类型、外键和连接模式、样本值以及任何注释或文档,然后推断出一个候选本体论,并将置信度较低的猜测标记出来,供领域专家确认。输出是一个机器可读、可审计的产物,而不是一张幻灯片。
在此案例中,假设两个源系统(计费系统和工单系统)暴露了以下本体论上下文:
# --- 源系统 1:计费系统 --- 账户(Account) -订阅(Subscribes to)-> 套餐(Plan) 账户(Account) -生成(Billed by)-> 发票(Invoice) 账户(Account) -具有状态(Has status)-> 计费状态(BillingStatus) 账户(Account) -有邮箱(Has email)-> 邮箱地址(EmailAddress) # --- 源系统 2:支持工单系统 --- 客户(Customer) -提出(Raises)-> 工单(Ticket) 工单(Ticket) -分配给(Assigned to)-> 客服人员(Agent) 工单(Ticket) -具有状态(Has status)-> 工单状态(TicketStatus) 客户(Customer) -有邮箱(Has email)-> 邮箱地址(EmailAddress)
步骤2:跨源上下文并进行调和
实际上,绝大部分的用例中,上下文一定是跨系统的,这意味着它必须进行上下文调和。当我们试图将多个系统上下文(以本体论的形式)进行调和时,就能暴露出潜在的重复身份、冲突定义和重叠概念等不一致性,再交给人类专家协调源系统的负责人进行协商和解决;最终找到一个最佳的数据提供源。
在同一个案例中,我们调和两个源系统的上下文时发现三个潜在的问题(见图2)需要弥合:

图2:从两个源系统策展出的上下文浮现出三个潜在差距。
1. 邮箱地址(EmailAddress) 被两个源系统上下文共享。
2. 账户(Account) 和 客户(Customer) 可能是同一个现实世界实体。
3. 计费状态(BillingStatus) 和 工单状态(TicketStatus) 共享“状态(Status)”这一类型。
这些差距是用例无关的。无论是否有用例关心它们,它们都存在于数据环境中,而这也正是人类专家或AI智能体能够预先知晓它们、并解决它们的原因。
步骤3:将设计上下文与已调和的上下文进行对比
源系统只是等式的一边,它代表着现实世界的数据上下文;等式的另一边是业务用例,代表着设计意图,并可以转化成一份以本体论呈现的上下文,两者就可直接比较。让我们以客户流失预测用例为例:
“对于每位客户,预测他们在下一个计费周期停止为服务付费的可能性,以便客户留存团队可以在客户离开前进行干预。”
为此,模型需要一个单一的、明确的客户(Customer)实体,该实体统一了一个人的商业关系(他们订阅的套餐、付款是否最新、成为客户多久了)与其行为信号(最近登录时间、提交了多少工单、这些工单是否已解决)——所有信息都关联到一个已解析的身份,并随时间进行观察。
用本体论的术语来说,设计上下文是一个承载流失风险(churnRisk)的客户(Customer),关联到订阅(Subscription)、发票(Invoice)和支持交互历史,所有这些都解析到一个身份,并随时间进行观察。
通过将此设计上下文与步骤2中已调和的跨源上下文进行匹配,我们就可以回答现实数据条件是否可以满足设计意图,我们把不满足的部分看作差距。
步骤4:识别差距
现在我们可以解读每个差距对客户流失这个数据用例的实际意义:
差距1:邮箱地址(EmailAddress) 在两个本体论中共享。对于客户流失预测,邮箱是连接计费和支持历史到同一个客户的关键。这不是噪声,而是模型所依赖的调和过程。它成为一个身份解析需求。
差距2:账户(Account) vs. 客户(Customer)。用例取决于这些是否代表同一业务实体。解决这个问题决定了预测目标和底层数据模型。
差距3:计费状态(BillingStatus) 和 工单状态(TicketStatus) 共享类型“状态”。共享类型并不意味共享意义。状态=“已关闭(closed)”对工单而言是健康结果,但对计费而言却是流失信号。将它们合并为一个扁平概念会污染标签:它把两个上下文里截然不同的业务意义消除了,而在未来实施这个用例时,一个孤立的“已关闭”让模型失去了判断该客户会往哪个方向走的依据。一个典型的语义冲突就产生了——相同的类型,相反的含义。
一旦我们理解了这些差距对目标用例意味着什么,就可以采取行动。
步骤5:采取行动
差距分析将决定行动方案。
差距1 是内部调和:将邮箱定义为已解析的身份键,并连接。快速且内部可完成。
差距2 需要领域专家就客户粒度做出决策,然后对调和过的客户实体进行建模更改。工程成本低,但需要在编码前进行人工判断。
差距3 通过将共享类型消歧为不同的、上下文限定的概念(计费状态 vs. 工单状态作为独立含义)来解决,以便判定客户流失的重要标签不被污染。
“三个差距”分解为三个真正不同的计划:一个调和规则、一个领域专家粒度决策和一个语义消歧,它们具有不同的成本、不同的负责人以及它们之间的依赖顺序。策略师在投入大量时间进行构建之前,就已了解这一切。
虽然AI可以识别和分类潜在差距,但治理仍然至关重要。业务所有者和领域专家负责验证实体定义、解决语义冲突,并批准影响企业级数据模型的变更。
步骤6:更新源上下文并循环
一旦采取行动,企业自身的理解就会发生改变。上下文不是静态的:模式会演变、新系统会上线、定义会发生漂移,而步骤5中的行动本身也会改变数据环境。因此,这从来不是一次性的工作。当策略师弥合一个差距并交付用例时,上下文的这种变化必须被捕获。
在这里,将邮箱地址解析为共享身份键、统一账户和客户,以及消歧状态,所有这些都改变了共同的上下文,而这便成为新的基线,下一个用例和下一个智能体将继承这份被调和的上下文,而非重新发现它。重新运行差异分析确认上下文差距已关闭;如果源发生了变化或出现了新差距,循环会从新状态继续。
这就是为什么上下文必须在数据环境层面作为一项服务来管理,而不是作为一份文档或一次性快照。企业不再将知识记录在静态设计文档中,而是可以将其维护为一个活的、版本受控的语义资产,每个未来的项目和AI智能体都可以重用。
这个流程是整个论点的缩影:明确的上下文输入,经过分类和追踪的差距输出,附加行动,上下文更新,最终留下一个比以前更强大的数据环境。
总结
数据策略师在数据现代化项目中的职责是:在复杂的数据环境中导航,设计和优先级排序用例,发现每个用例与可用数据之间的差距,弥合这些差距,并在现代数据架构中交付持久的数据能力。
最困难、最缓慢的部分是中间环节:对分散、冲突、被重复定义的、隐晦的意义进行调和与理解,并手动分析差距——而这正是项目流失数月时间和信誉的地方。
本体论 + LLM方法正致力于解决这一核心难题。 本体论使意义明确化并赋予上下文图结构;LLM则在该图结构上进行推理,帮助策略师找出差距,这并不是依赖专家知识、或基于对人和组织朴素信任的,而是客观、且基于现实语义的。结果是一个智能体循环:每个源的上下文 → 跨源上下文 → 与用例设计对比 → 找出差距并分析 → 追踪行动 → 更新并重复。它通过自动化大部分语义分析,同时将业务决策留给人类专家,从而显著减少发现所需的手动工作量。
随着各组织在企业范围内采用AI,成功越来越依赖于为系统提供可信的业务上下文,而不仅仅是更多数据。将本体论与LLM相结合,提供了一种实用方法,使该上下文明确、可重用且持续改进,使数据现代化工作能够更快地交付价值,同时为未来的AI计划奠定更强大的语义基础。
作者:熊子川
跳转微信打开